CN113688027A - 工控设备的检测数据处理方法和系统 - Google Patents

工控设备的检测数据处理方法和系统 Download PDF

Info

Publication number
CN113688027A
CN113688027A CN202111247829.8A CN202111247829A CN113688027A CN 113688027 A CN113688027 A CN 113688027A CN 202111247829 A CN202111247829 A CN 202111247829A CN 113688027 A CN113688027 A CN 113688027A
Authority
CN
China
Prior art keywords
data
industrial control
control equipment
excitation
detection data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111247829.8A
Other languages
English (en)
Other versions
CN113688027B (zh
Inventor
戚建淮
崔宸
宋晶
韩丹丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Y&D Electronics Information Co Ltd
Original Assignee
Shenzhen Y&D Electronics Information Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Y&D Electronics Information Co Ltd filed Critical Shenzhen Y&D Electronics Information Co Ltd
Priority to CN202111247829.8A priority Critical patent/CN113688027B/zh
Publication of CN113688027A publication Critical patent/CN113688027A/zh
Application granted granted Critical
Publication of CN113688027B publication Critical patent/CN113688027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3452—Performance evaluation by statistical analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种工控设备的检测数据处理方法和系统。所述方法包括对工控设备的历史检测数据进行卡尔曼滤波处理以获得预处理数据；采用AI特征提取技术对所述预处理数据进行特征值提取，并将所述特征值作为探针输入所述工控设备进行激振测试以获取激振频谱数据；对所述激振频谱数据进行时间标记以获得所述工控设备的全生命周期数据；将所述全生命周期数据与所述历史检测数据进行匹配分析从而获取所述工控设备的运行情况。

Description

工控设备的检测数据处理方法和系统
技术领域
本发明涉及工控设备信息安全领域，更具体地说，涉及一种工控设备的检测数据处理方法和系统。
背景技术
轨道交通作为名声发展的重要支撑产业，不仅彰显着国家的技术实力，同时还与人民的生活息息相关。轨道交通的工控设备的安全更是轨道交通的重要环节。为了保障工控设备的安全运行，现有技术中采用的技术方案是通过采集工控设备的实时检测数据进行分析，从而及时发现由信息安全引起的设备入侵和故障，从而解决工控设备的安全性问题。然而，这一方案的缺陷在于，无法了解工控设备的整个生命周期的运转情况，进而无法对工控设备的整体运行情况进行掌控，因此无法确保工控设备的安全运行。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种工控设备的检测数据处理方法和系统，其通过从工控设备的历史检测数据提取的特征值产生的激振频谱数据获取其全生命周期数据，进而可以获取所述工控设备的运行情况，从而可以模拟工控设备的整个生命周期的运转情况，进而对工控设备的整体运行情况实现掌控，从而确保工控设备的安全运行。
本发明解决其技术问题所采用的技术方案是：构造一种工控设备的检测数据处理方法，包括以下步骤：
S1、对工控设备的历史检测数据进行卡尔曼滤波处理以获得预处理数据；
S2、采用AI特征提取技术对所述预处理数据进行特征值提取，并将所述特征值作为探针输入所述工控设备进行激振测试以获取激振频谱数据；
S3、对所述激振频谱数据进行时间标记以获得所述工控设备的全生命周期数据；
S4、将所述全生命周期数据与所述历史检测数据进行匹配分析从而获取所述工控设备的运行情况。
在本发明所述的工控设备的检测数据处理方法中，所述步骤S1进一步包括以下步骤：
S11、根据所述工控设备的操作手册对所述工控设备进行操作从而获取所述历史检测数据；
S12、基于卡尔曼增益方程、状态更新方程和状态协方差更新方程对所述历史检测数据进行第一预处理：
Figure 859539DEST_PATH_IMAGE001
其中t表示时刻，Kt表示卡尔曼增益，r表示仪器测量噪声协方差，Pt表示状态协方差，x t-1 表示所述历史检测数据的t时刻修正值，Z t 表示t时刻的检测值，x t 表示所述历史检测数据；Q表示系统噪声的协方差，P 1=1；
S13、采用循环神经网络进行第二预处理以获得所述预处理数据。
在本发明所述的工控设备的检测数据处理方法中，在所述步骤S13中，所述循环神经网络的激活函数为tanh函数，所述循环神经网络的输出函数为归一化指数函数，所述循环神经网络的输出为：
Figure 232751DEST_PATH_IMAGE002
；
其中V和c表示所述循环神经网络的权重系数，t表示时刻，h表示所述循环神经网络的系统状态。
在本发明所述的工控设备的检测数据处理方法中，所述步骤S2进一步包括以下步骤：
S21、采用Transformer模型中的Attention机制对所述预处理数据进行数据特征值提取：
Figure DEST_PATH_IMAGE003
其中，Q，K的点积结果即为上下文意对当前文意的影响强度；
Figure 627960DEST_PATH_IMAGE004
Figure DEST_PATH_IMAGE005
表示语义向量，V表示关键价值向量、Q表示查询向量，K表示关键字向量，为向量
Figure 715434DEST_PATH_IMAGE006
的维度，决定
Figure DEST_PATH_IMAGE007
的大小，i为正整数，
Figure 803476DEST_PATH_IMAGE008
Figure DEST_PATH_IMAGE009
为矩阵维度，R表示向量
Figure 132826DEST_PATH_IMAGE010
构成的矩阵；
S22、对所述数据特征值进行矩阵乘法以获得所述特征值；
S23、将所述特征值作为探针输入所述工控设备进行激振测试以获取激振频谱数据。
在本发明所述的工控设备的检测数据处理方法中，所述步骤S23进一步包括以下步骤：
S231、基于所述工控设备构建面向控制功能的行为概率密度函数和基于操作指令的指令概率密度函数：
Figure DEST_PATH_IMAGE011
其中，Z =｛控制功能集合｝，S =｛操作指令集合｝；
S232、将所述特征值作为探针输入所述行为概率密度函数和所述指令概率密度函数以获取所述激振频谱数据。
在本发明所述的工控设备的检测数据处理方法中，所述步骤S3进一步包括以下步骤：
S31、根据所述工控设备的应用场景特征标记所述操作指令的时域频域规律，并基于所述时域频域规律对所述激振频谱数据进行测试以生成可观测的时间序列输出以获得所述工控设备的全生命周期数据；
S32、采用超大数据级指数的表空间弹性存储所述全生命周期数据。
本发明解决其技术问题采用的另一技术方案是，构造一种工控设备的检测数据处理系统，包括：
预处理装置，用于对工控设备的历史检测数据进行卡尔曼滤波处理以获得预处理数据；
激振装置，用于采用AI特征提取技术对所述预处理数据进行特征值提取，并将所述特征值作为探针输入所述工控设备进行激振测试以获取激振频谱数据；
标记装置，用于对所述激振频谱数据进行时间标记以获得所述工控设备的全生命周期数据；
匹配装置，用于将所述全生命周期数据与所述历史检测数据进行匹配分析从而获取所述工控设备的运行情况。
在本发明的工控设备的检测数据处理系统中，所述激振装置进一步包括：
Attention模块，采用Transformer模型中的Attention机制对所述预处理数据进行数据特征值提取：
Figure 410355DEST_PATH_IMAGE003
其中，Q，K的点积结果即为上下文意对当前文意的影响强度；
Figure 813655DEST_PATH_IMAGE004
Figure 72598DEST_PATH_IMAGE005
表示语义向量，V表示关键价值向量、Q表示查询向量，K表示关键字向量，为向量
Figure 623665DEST_PATH_IMAGE006
的维度，决定
Figure 360677DEST_PATH_IMAGE007
的大小，i为正整数，
Figure 884062DEST_PATH_IMAGE008
Figure 126955DEST_PATH_IMAGE009
为矩阵维度，R表示向量
Figure 103002DEST_PATH_IMAGE010
构成的矩阵；
乘法模块，用于对所述数据特征值进行矩阵乘法以获得所述特征值；
测试模块，用于将所述特征值作为探针输入所述工控设备进行激振测试以获取激振频谱数据。
在本发明的工控设备的检测数据处理系统中，所述测试模块进一步用于基于所述工控设备构建面向控制功能的行为概率密度函数和基于操作指令的指令概率密度函数：
Figure 643704DEST_PATH_IMAGE012
其中，Z =｛控制功能集合｝，S =｛操作指令集合｝；
将所述特征值作为探针输入所述行为概率密度函数和所述指令概率密度函数以获取所述激振频谱数据。
在本发明的工控设备的检测数据处理系统中，所述标记装置进一步包括：
全生命周期数据模块，用于根据所述工控设备的应用场景特征标记所述操作指令的时域频域规律，并基于所述时域频域规律对所述激振频谱数据进行测试以生成可观测的时间序列输出以获得所述工控设备的全生命周期数据；
存储模块，用于采用超大数据级指数的表空间弹性存储所述全生命周期数据。
实施本发明的工控设备的检测数据处理方法和系统，其通过从工控设备的历史检测数据提取的特征值产生的激振频谱数据获取其全生命周期数据，进而可以获取所述工控设备的运行情况，从而可以模拟工控设备的整个生命周期的运转情况，进而对工控设备的整体运行情况实现掌控，从而确保工控设备的安全运行。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明的工控设备的检测数据处理方法的优选实施例的流程图；
图2是本发明的工控设备的检测数据处理方法的优选实施例的预处理步骤的流程图；
图3是本发明的工控设备的检测数据处理方法的优选实施例的特征提取步骤的流程图；
图4是本发明的工控设备的检测数据处理方法的优选实施例的全生命周期数据的流程图；
图5是所述工控设备的全生命周期数据的示意图；
图6是本发明的工控设备的检测数据处理系统的优选实施例的原理框图；
图7是本发明的工控设备的检测数据处理系统的又一优选实施例的原理框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明涉及一种工控设备的检测数据处理方法，包括以下步骤：对工控设备的历史检测数据进行卡尔曼滤波处理以获得预处理数据；采用AI特征提取技术对所述预处理数据进行特征值提取，并将所述特征值作为探针输入所述工控设备进行激振测试以获取激振频谱数据；对所述激振频谱数据进行时间标记以获得所述工控设备的全生命周期数据；将所述全生命周期数据与所述历史检测数据进行匹配分析从而获取所述工控设备的运行情况。实施本发明的工控设备的检测数据处理方法，其通过从工控设备的历史检测数据提取的特征值产生的激振频谱数据获取其全生命周期数据，进而可以获取所述工控设备的运行情况，从而可以模拟工控设备的整个生命周期的运转情况，进而对工控设备的整体运行情况实现掌控，从而确保工控设备的安全运行。
图1是本发明的工控设备的检测数据处理方法的优选实施例的流程图。如图1所示，在步骤S1中，对工控设备的历史检测数据进行卡尔曼滤波处理以获得预处理数据。
卡尔曼滤波（Kalman filtering）是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。数据滤波是去除噪声还原真实数据的一种数据处理技术，Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。由于它便于计算机编程实现，并能够对现场采集的数据进行实时的更新和处理，Kalman滤波是目前应用最为广泛的滤波方法。在本发明的一个优选实施例中，可以直接采用卡尔曼滤波对工控设备的历史检测数据以获得预处理数据。
在本发明的进一步的优选实施例中，由于不同操作对象的行为习惯不同，对设备的操作所产生的频谱曲线也有所不同，且同一用户的不同操作瞬间，得到的频谱也有所不同。相比于其他神经网络，循环神经网络（Recurrent Neural Network，RNN）的创立是刻画数据当前的输出与历史数据之间的关系。从网络结构上，RNN能够串联历史信息，基于历史信息对现状数据进行分析。为了更好的分析历史检测数据，利用RNN进行数据预处理，使用内置函数和应用程序来清理信号并去除不需要的伪影，为后续分析提供高质量数据基础。
在此，图2是本发明的工控设备的检测数据处理方法的优选实施例的预处理步骤的流程图。如图2所示，在步骤S11中，根据所述工控设备的操作手册对所述工控设备进行操作从而获取所述历史检测数据。在不同应用场景中，用户使用相应关联环境下工业系统行为及操作指令，通过对线上周期化运行的历史数据，实施镜像采集就可以获得所述历史检测数据。
在步骤S12中，基于卡尔曼增益方程、状态更新方程和状态协方差更新方程对所述历史检测数据进行第一预处理：
Figure 287175DEST_PATH_IMAGE001
其中t表示时刻，Kt表示卡尔曼增益，r表示仪器测量噪声协方差，Pt表示状态协方差，x t-1 表示所述历史检测数据的t时刻修正值，Z t 表示t时刻的检测值，xt表示所述历史检测数据；Q表示系统噪声的协方差，P 1=1。
为了更好地分析该历史检测数据，在对所述历史检测数据进行第二预处理。即在步骤S13中，采用循环神经网络进行第二预处理以获得所述预处理数据。所述循环神经网络的激活函数为tanh函数，
Figure DEST_PATH_IMAGE013
其中，W表示共享权重，h t-1 表示t-1时刻激活值，b表示偏置值，xt表示当前输入值，U表示状态权重矩阵，ht表示t时刻的所述循环神经网络的系统状态。
所述循环神经网络的输出函数为归一化指数函数，在得到隐藏层数据输出后，所得神经网络的输出为：
Figure 684659DEST_PATH_IMAGE002
其中V和c表示所述循环神经网络的权重系数，t表示时刻，h表示所述循环神经网络的系统状态。
使用循环神经网络进行第二次预处理可以去除不需要的伪影，从而为后续数据处理提供高质量的基础数据，
在步骤S2中，采用AI特征提取技术对所述预处理数据进行特征值提取，并将所述特征值作为探针输入所述工控设备进行激振测试以获取激振频谱数据。
图3是本发明的工控设备的检测数据处理方法的优选实施例的特征提取步骤的流程图。如图3所示，在步骤21中，采用Transformer模型中的Attention机制对所述预处理数据进行数据特征值提取：
Figure 413580DEST_PATH_IMAGE003
其中，Q，K的点积结果即为上下文意对当前文意的影响强度；
Figure 492395DEST_PATH_IMAGE014
Figure 803421DEST_PATH_IMAGE005
表示语义向量，V表示关键价值向量、Q表示查询向量，K表示关键字向量，为向量
Figure 309489DEST_PATH_IMAGE006
的维度，决定
Figure DEST_PATH_IMAGE015
的大小，i为正整数，
Figure 853603DEST_PATH_IMAGE008
Figure 736108DEST_PATH_IMAGE009
为矩阵维度，R表示向量
Figure 88592DEST_PATH_IMAGE010
构成的矩阵。
经过RNN处理后的预处理数据，为Transformer提供基层数据，利用Attention来进行数据特征提取和分析。从而不再局限于定长的语义向量，理论上也不会损失远距离的信息。在实施过程中，通过上下文的意义进行加权求和来表明当前词义。
在步骤S22中，对所述数据特征值进行矩阵乘法以获得所述特征值。在本发明的优选实施例中，为了加快计算速度，按比例点积缩小（Scaled Dot-Product Attention）利用矩阵乘积（Multi）的模式进行矩阵乘法，从而大大缩减计算时间。在进行Multi的过程中，还需进行多次降维处理，通过多次线性投影，得到降维的输出后，拼接获得Multi下的Attention输出：
Figure 575681DEST_PATH_IMAGE016
Multi处理后的Attention输出后续在Transformer模型中的编解码器中引应用，从而获得特征值。在此，可以基于已知的Transformer模型实现上述操作。
在步骤S23中，将所述特征值作为探针输入所述工控设备进行激振测试以获取激振频谱数据。在本发明的优选实施例中，首先
基于所述工控设备构建面向控制功能的行为概率密度函数和基于操作指令的指令概率密度函数：
Figure 13615DEST_PATH_IMAGE012
其中，Z =｛控制功能集合｝，S =｛操作指令集合｝。
然后将所述特征值作为探针输入所述行为概率密度函数和所述指令概率密度函数以获取所述激振频谱数据。
在步骤S3中，对所述激振频谱数据进行时间标记以获得所述工控设备的全生命周期数据。图4是本发明的工控设备的检测数据处理方法的优选实施例的全生命周期数据的流程图。如图4所示，在步骤S31中，根据所述工控设备的应用场景特征标记所述操作指令的时域频域规律，并基于所述时域频域规律对所述激振频谱数据进行测试以生成可观测的时间序列输出以获得所述工控设备的全生命周期数据。优选的，根据所述工控设备的应用场景特征标记所述操作指令的时域频域规律T；基于所述时域频域规律T注入所述激振频谱数据X到工控设备进行测试，生成可观测的时间序列输出Y，由于Y与时间相关，因此用｛yt｝表示，其为所述工控设备的全生命周期数据，具体可以参见图5。X 可以是以单个行为为元素的集合，也可以是以复合行为为元素的集合。当 X 为单个行为构成的集合时，时间序列 Y对应单个行为的输出；当 X 为复合行为构成的集合时，时间序列 Y 对应复合行为的输出。
在步骤S32中，采用超大数据级指数的表空间弹性存储所述全生命周期数据。采用超大数据指数级的表空间弹性存储时，以时空排序存储至表空间，以解决数据的时空复杂关系。通过相关关系对数据进行关联性分析，以范搜索方式按照时空参数顺序对数据进行快速搜索、提取，可以降低数据获取时间。
在步骤S4中，将所述全生命周期数据与所述历史检测数据进行匹配分析从而获取所述工控设备的运行情况。由于所述全生命周期数据是基于历史检测数据进行场景激励获取，因此可以模拟出工控设备在特定应用中产生相应的功能性频谱关系，因此可以对工控设备的功能进行原理透视仿真。而通过对比所述全生命周期数据与所述历史检测数据，可以比较所述全生命周期数据与历史检测数据的拟合度，从而在一定程度上反映出工控设备的运行情况，从而模拟设备的全生命周期运转情况，结合基于操作流程的运营安排保障系统，从而确保工控设备的安全运行。
实施本发明的工控设备的检测数据处理方法，其通过从工控设备的历史检测数据提取的特征值产生的激振频谱数据获取其全生命周期数据，进而可以获取所述工控设备的运行情况，从而可以模拟工控设备的整个生命周期的运转情况，进而对工控设备的整体运行情况实现掌控，从而确保工控设备的安全运行。
图6是本发明的工控设备的检测数据处理系统的优选实施例的原理框图。如图6所示，所述工控设备的检测数据处理系统包括预处理装置100、激振装置200、标记装置300和匹配装置400。所述预处理装置100用于对工控设备的历史检测数据进行卡尔曼滤波处理以获得预处理数据。所述激振装置200，用于采用AI特征提取技术对所述预处理数据进行特征值提取，并将所述特征值作为探针输入所述工控设备进行激振测试以获取激振频谱数据。所述标记装置300用于对所述激振频谱数据进行时间标记以获得所述工控设备的全生命周期数据。所述匹配装置400，用于将所述全生命周期数据与所述历史检测数据进行匹配分析从而获取所述工控设备的运行情况。
本领域技术人员知悉，预处理装置100、激振装置200、标记装置300和匹配装置400可以采用任何适合的硬件或软件模块，参照图1所示的实施例构造，在此就不再累述了。
图7是本发明的工控设备的检测数据处理系统的又一优选实施例的原理框图。如图7所示，所述工控设备的检测数据处理系统包括预处理装置100、激振装置200、标记装置300和匹配装置400。所述激振装置200进一步包括Attention模块210、乘法模块220和测试模块230。所述Attention模块210，用于采用Transformer模型中的Attention机制对所述预处理数据进行数据特征值提取：
Figure 434232DEST_PATH_IMAGE003
其中，Q，K的点积结果即为上下文意对当前文意的影响强度；
Figure 969119DEST_PATH_IMAGE014
Figure 816989DEST_PATH_IMAGE005
表示语义向量，V表示关键价值向量、Q表示查询向量，K表示关键字向量，为向量
Figure 742220DEST_PATH_IMAGE006
的维度，决定
Figure 45156DEST_PATH_IMAGE015
的大小，i为正整数，
Figure 372233DEST_PATH_IMAGE008
Figure 656583DEST_PATH_IMAGE009
为矩阵维度，R表示向量
Figure 69110DEST_PATH_IMAGE010
构成的矩阵。
所述乘法模块220用于对所述数据特征值进行矩阵乘法以获得所述特征值。所述测试模块230，用于将所述特征值作为探针输入所述工控设备进行激振测试以获取激振频谱数据。优选的，所述测试模块230进一步用于基于所述工控设备构建面向控制功能的行为概率密度函数和基于操作指令的指令概率密度函数：
Figure DEST_PATH_IMAGE017
其中，Z =｛控制功能集合｝，S =｛操作指令集合｝；
将所述特征值作为探针输入所述行为概率密度函数和所述指令概率密度函数以获取所述激振频谱数据。
所述标记装置300进一步包括全生命周期数据模块310和存储模块320。所述全生命周期数据模块310用于根据所述工控设备的应用场景特征标记所述操作指令的时域频域规律，并基于所述时域频域规律对所述激振频谱数据进行测试以生成可观测的时间序列输出以获得所述工控设备的全生命周期数据。所述存储模块320用于采用超大数据级指数的表空间弹性存储所述全生命周期数据。
在此，所述预处理装置100、激振装置200、标记装置300和匹配装置400；括Attention模块210、乘法模块220和测试模块230，以及全生命周期数据模块310和存储模块320可以采用任何适合的硬件或软件模块，参照图2-4所示的实施例构造，在此就不再累述了。
因此，本发明可以通过硬件、软件或者软、硬件结合来实现。本发明可以在至少一个计算机系统中以集中方式实现，或者由分布在几个互连的计算机系统中的不同部分以分散方式实现。任何可以实现本发明方法的计算机系统或其它设备都是可适用的。常用软硬件的结合可以是安装有计算机程序的通用计算机系统，通过安装和执行程序控制计算机系统，使其按本发明方法运行。
本发明还可以通过计算机程序产品进行实施，程序包含能够实现本发明方法的全部特征，当其安装到计算机系统中时，可以实现本发明的方法。本文件中的计算机程序所指的是：可以采用任何程序语言、代码或符号编写的一组指令的任何表达式，该指令组使系统具有信息处理能力，以直接实现特定功能，或在进行下述一个或两个步骤之后实现特定功能：a)转换成其它语言、编码或符号；b)以不同的格式再现。
虽然本发明是通过具体实施例进行说明的，本领域技术人员应当明白，在不脱离本发明范围的情况下，还可以对本发明进行各种变换及等同替代。另外，针对特定情形或材料，可以对本发明做各种修改，而不脱离本发明的范围。因此，本发明不局限于所公开的具体实施例，而应当包括落入本发明权利要求范围内的全部实施方式。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种工控设备的检测数据处理方法，其特征在于，包括以下步骤：
S1、对工控设备的历史检测数据进行卡尔曼滤波处理以获得预处理数据；
S2、采用AI特征提取技术对所述预处理数据进行特征值提取，并将所述特征值作为探针输入所述工控设备进行激振测试以获取激振频谱数据；
S3、对所述激振频谱数据进行时间标记以获得所述工控设备的全生命周期数据；
S4、将所述全生命周期数据与所述历史检测数据进行匹配分析从而获取所述工控设备的运行情况。
2.根据权利要求1所述的工控设备的检测数据处理方法，其特征在于，所述步骤S1进一步包括以下步骤：
S11、根据所述工控设备的操作手册对所述工控设备进行操作从而获取所述历史检测数据；
S12、基于卡尔曼增益方程、状态更新方程和状态协方差更新方程对所述历史检测数据进行第一预处理：
Figure 717743DEST_PATH_IMAGE001
其中t表示时刻，Kt表示卡尔曼增益，r表示仪器测量噪声协方差，Pt表示状态协方差，x t-1 表示所述历史检测数据的t时刻修正值，Z t 表示t时刻的检测值，x t 表示所述历史检测数据；Q表示系统噪声的协方差，P 1=1；
S13、采用循环神经网络进行第二预处理以获得所述预处理数据。
3.根据权利要求2所述的工控设备的检测数据处理方法，其特征在于，在所述步骤S13中，所述循环神经网络的激活函数为tanh函数，所述循环神经网络的输出函数为归一化指数函数，所述循环神经网络的输出为：
Figure 326579DEST_PATH_IMAGE002
；
其中V和c表示所述循环神经网络的权重系数，t表示时刻，h表示所述循环神经网络的系统状态。
4.根据权利要求1所述的工控设备的检测数据处理方法，其特征在于，所述步骤S2进一步包括以下步骤：
S21、采用Transformer模型中的Attention机制对所述预处理数据进行数据特征值提取：
Figure 313121DEST_PATH_IMAGE003
其中，Q，K的点积结果即为上下文意对当前文意的影响强度；
Figure 323802DEST_PATH_IMAGE004
Figure 291758DEST_PATH_IMAGE005
表示语义向量，V表示关键价值向量、Q表示查询向量，K表示关键字向量，为向量
Figure 387890DEST_PATH_IMAGE006
的维度，决定
Figure 161811DEST_PATH_IMAGE007
的大小，i为正整数，
Figure 26999DEST_PATH_IMAGE008
Figure 165856DEST_PATH_IMAGE009
为矩阵维度，R表示向量
Figure 562334DEST_PATH_IMAGE010
构成的矩阵；
S22、对所述数据特征值进行矩阵乘法以获得所述特征值；
S23、将所述特征值作为探针输入所述工控设备进行激振测试以获取激振频谱数据。
5.根据权利要求4所述的工控设备的检测数据处理方法，其特征在于，所述步骤S23进一步包括以下步骤：
S231、基于所述工控设备构建面向控制功能的行为概率密度函数和基于操作指令的指令概率密度函数：
Figure 812049DEST_PATH_IMAGE011
其中，Z =｛控制功能集合｝，S =｛操作指令集合｝；
S232、将所述特征值作为探针输入所述行为概率密度函数和所述指令概率密度函数以获取所述激振频谱数据。
6.根据权利要求5所述的工控设备的检测数据处理方法，其特征在于，所述步骤S3进一步包括以下步骤：
S31、根据所述工控设备的应用场景特征标记所述操作指令的时域频域规律，并基于所述时域频域规律对所述激振频谱数据进行测试以生成可观测的时间序列输出以获得所述工控设备的全生命周期数据；
S32、采用超大数据级指数的表空间弹性存储所述全生命周期数据。
7.一种工控设备的检测数据处理系统，其特征在于，包括：
预处理装置，用于对工控设备的历史检测数据进行卡尔曼滤波处理以获得预处理数据；
激振装置，用于采用AI特征提取技术对所述预处理数据进行特征值提取，并将所述特征值作为探针输入所述工控设备进行激振测试以获取激振频谱数据；
标记装置，用于对所述激振频谱数据进行时间标记以获得所述工控设备的全生命周期数据；
匹配装置，用于将所述全生命周期数据与所述历史检测数据进行匹配分析从而获取所述工控设备的运行情况。
8.根据权利要求7所述的工控设备的检测数据处理系统，其特征在于，所述激振装置进一步包括：
Attention模块，采用Transformer模型中的Attention机制对所述预处理数据进行数据特征值提取：
Figure 797323DEST_PATH_IMAGE003
其中，Q，K的点积结果即为上下文意对当前文意的影响强度；
Figure 434978DEST_PATH_IMAGE004
Figure 505702DEST_PATH_IMAGE005
表示语义向量，V表示关键价值向量、Q表示查询向量，K表示关键字向量，为向量
Figure 559108DEST_PATH_IMAGE006
的维度，决定
Figure 398889DEST_PATH_IMAGE007
的大小，i为正整数，
Figure 418229DEST_PATH_IMAGE008
Figure 710671DEST_PATH_IMAGE009
为矩阵维度，R表示向量
Figure 567768DEST_PATH_IMAGE010
构成的矩阵；
乘法模块，用于对所述数据特征值进行矩阵乘法以获得所述特征值；
测试模块，用于将所述特征值作为探针输入所述工控设备进行激振测试以获取激振频谱数据。
9.根据权利要求8所述的工控设备的检测数据处理系统，其特征在于，所述测试模块进一步用于
基于所述工控设备构建面向控制功能的行为概率密度函数和基于操作指令的指令概率密度函数：
Figure 262055DEST_PATH_IMAGE012
其中，Z =｛控制功能集合｝，S =｛操作指令集合｝；
将所述特征值作为探针输入所述行为概率密度函数和所述指令概率密度函数以获取所述激振频谱数据。
10.根据权利要求7所述的工控设备的检测数据处理系统，其特征在于，所述标记装置进一步包括：
全生命周期数据模块，用于根据所述工控设备的应用场景特征标记所述操作指令的时域频域规律，并基于所述时域频域规律对所述激振频谱数据进行测试以生成可观测的时间序列输出以获得所述工控设备的全生命周期数据；
存储模块，用于采用超大数据级指数的表空间弹性存储所述全生命周期数据。
CN202111247829.8A 2021-10-26 2021-10-26 工控设备的检测数据处理方法和系统 Active CN113688027B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111247829.8A CN113688027B (zh) 2021-10-26 2021-10-26 工控设备的检测数据处理方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111247829.8A CN113688027B (zh) 2021-10-26 2021-10-26 工控设备的检测数据处理方法和系统

Publications (2)

Publication Number Publication Date
CN113688027A true CN113688027A (zh) 2021-11-23
CN113688027B CN113688027B (zh) 2022-02-22

Family

ID=78588054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111247829.8A Active CN113688027B (zh) 2021-10-26 2021-10-26 工控设备的检测数据处理方法和系统

Country Status (1)

Country Link
CN (1) CN113688027B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256172A (zh) * 2017-12-26 2018-07-06 同济大学 一种顶管下穿既有箱涵过程中险情预警预报方法
CN109102818A (zh) * 2018-08-29 2018-12-28 昆明理工大学 一种基于信号频率概率密度函数分布的去噪音频采样算法
CN110166484A (zh) * 2019-06-06 2019-08-23 中国石油大学(华东) 一种基于LSTM-Attention网络的工业控制系统入侵检测方法
CN110287638A (zh) * 2019-07-04 2019-09-27 南京邮电大学 基于kalman-RNN神经网络的飞锯寿命预测方法
CN110647133A (zh) * 2019-09-09 2020-01-03 深圳市永达电子信息股份有限公司 轨道交通设备状态检测维护方法及系统
CN111120348A (zh) * 2019-12-25 2020-05-08 中国石化销售股份有限公司华南分公司 基于支持向量机概率密度估计的离心泵故障预警方法
CN111695521A (zh) * 2020-06-15 2020-09-22 哈尔滨理工大学 一种基于Attention-LSTM的滚动轴承性能衰退预测方法
CN112947290A (zh) * 2021-05-16 2021-06-11 北京赛博联物科技有限公司 基于边云协同的设备状态监测方法、监测系统及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256172A (zh) * 2017-12-26 2018-07-06 同济大学 一种顶管下穿既有箱涵过程中险情预警预报方法
CN109102818A (zh) * 2018-08-29 2018-12-28 昆明理工大学 一种基于信号频率概率密度函数分布的去噪音频采样算法
CN110166484A (zh) * 2019-06-06 2019-08-23 中国石油大学(华东) 一种基于LSTM-Attention网络的工业控制系统入侵检测方法
CN110287638A (zh) * 2019-07-04 2019-09-27 南京邮电大学 基于kalman-RNN神经网络的飞锯寿命预测方法
CN110647133A (zh) * 2019-09-09 2020-01-03 深圳市永达电子信息股份有限公司 轨道交通设备状态检测维护方法及系统
CN111120348A (zh) * 2019-12-25 2020-05-08 中国石化销售股份有限公司华南分公司 基于支持向量机概率密度估计的离心泵故障预警方法
CN111695521A (zh) * 2020-06-15 2020-09-22 哈尔滨理工大学 一种基于Attention-LSTM的滚动轴承性能衰退预测方法
CN112947290A (zh) * 2021-05-16 2021-06-11 北京赛博联物科技有限公司 基于边云协同的设备状态监测方法、监测系统及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谢林枫等: "基于一种新技术的风电功率短期预测", 《计算机仿真》 *

Also Published As

Publication number Publication date
CN113688027B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
CN112785016A (zh) 基于机器学习的新能源汽车保养维护与故障监测诊断方法
Hu et al. Unsupervised style and content separation by minimizing mutual information for speech synthesis
CN108228567B (zh) 用于提取组织机构的简称的方法和装置
CN113450147B (zh) 基于决策树的产品匹配方法、装置、设备及存储介质
CN113364802B (zh) 安全告警威胁性研判方法及装置
Billings et al. Discrete wavelet models for identification and qualitative analysis of chaotic systems
CN112861066B (zh) 基于机器学习和fft的盲源分离信源数目并行估计方法
Avila et al. Bayesian restoration of audio signals degraded by impulsive noise modeled as individual pulses
He et al. Separation and analyzing of harmonics and inter‐harmonics based on single channel independent component analysis
Schneider et al. Detecting anomalies within time series using local neural transformations
Zhang et al. Temporal Transformer Networks for Acoustic Scene Classification.
Richardson et al. SRMD: Sparse random mode decomposition
CN113688027B (zh) 工控设备的检测数据处理方法和系统
Wang et al. Fast spectral correlation based on sparse representation self-learning dictionary and its application in fault diagnosis of rotating machinery
Zhou et al. Sparse dictionary analysis via structure frequency response spectrum model for weak bearing fault diagnosis
CN107894837A (zh) 动态情感分析模型样本处理方法及装置
CN113746780A (zh) 基于主机画像的异常主机检测方法、装置、介质和设备
CN117112744A (zh) 大语言模型的评估方法、装置及电子设备
Dehmer et al. Comparing large graphs efficiently by margins of feature vectors
Liu et al. A survey of feature extraction approaches in analog circuit fault diagnosis
Yokkampon et al. Anomaly detection using variational autoencoder with spectrum analysis for time series data
Mohapatra et al. Phase-driven Domain Generalizable Learning for Nonstationary Time Series
Oyedotun et al. A closer look at autoencoders for unsupervised anomaly detection
CN114401152B (zh) 基于贝叶斯惩罚特征选择的sql注入攻击检测方法
Wang High accuracy behavior prediction of non-linear dynamic system with signal separation and support vector regression

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant